Peramalan Pembebanan menggunakan neural network

JURNAL TEKNOLOGI, Edisi No. 3. Tahun XIX, September 2005, 211-217 ISSN 0215-1685

Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia Arief Heru Kuncoro dan Rinaldy Dalimi Program Pascasarjana, Fakultas Teknik, Universitas Indonesia Kampus UI Depok 16424, Indonesia Email: [email protected], [email protected]

Abstrak Studi tentang peramalan beban puncak tenaga listrik dalam sistem kelistrikan di Indonesia telah dilakukan dengan menggunakan metode Jaringan Syaraf Tiruan (JST) - Propagasi Balik, dengan periode studi 2001- 2025. Ramalan beban puncak listrik jangka panjang sangat dipengaruhi oleh faktor-faktor ekonomi. Dalam studi ini dipilih data ekonomi yang diperkirakan sangat mempengaruhi ramalan beban tenaga listrik jangka panjang, yang dalam hal ini menjadi masukan JST, yaitu: Produk Domestik Bruto (PDB) per-kapita, Populasi, Jumlah Rumah Tangga, Rasio Elektrifikasi, Jumlah Polusi CO2, Harga Minyak Mentah Rata-rata, Harga Batubara Rata-rata, Pemakaian Energi Final, Kebutuhan Pemakaian Energi Final Sektor Industri, dan Harga Listrik Rata-rata. Data yang dipergunakan untuk pembelajaran adalah data sebenarnya (actual data), mulai tahun 1990 sampai dengan 2000. Hasil ramalan beban puncak pada akhir tahun studi (2025) dengan metode JST tidak berbeda jauh dengan ramalan dalam Rencana Umum Ketenagalistrikan Nasional (RUKN), yaitu masing-masing sebesar 85.584 MW dan 79.920 MW (terjadi perbedaan sekitar 6,6%). Menurut perhitungan dengan metode JST diperoleh hasil bahwa prakiraan beban puncak di Indonesia pada tahun 2005, 2010, 2015, 2020 dan 2025 adalah masing-masing 16.516 MW, 24.482 MW, 36.157 MW, 56.060 MW dan 85.584 MW. Kata kunci: Ramalan beban puncak, Jaringan syaraf tiruan, Pembelajaran dan Faktor-faktor ekonomi.

Abstract It has been studied the forecasting of electric power peak load in the Indonesian electric system by using Artificial Neural Network (ANN) Back Propagation method, with the study period is 2000 - 2025. The long-range forecasting of electric peak load is influenced by economic factors. In this study, it’s selected the economic data which is estimated very influence to forecasting, which in this case become input of ANN, i.e.: Gross of Domestic Product (GDP) per-capita, Population, Amount of Households, Electrification Ratio, Amount of CO2 Pollution, Crude Oil Price, Coal Price, Usage of Final Energy, Usage of Final Energy on Industrial Sector, and Average Electric Charges. Data used for study are actual data, start year 1990 up to 2000. Result of the peak load forecasting in the end of study (2025) by using ANN is 85,584 MW, meanwhile the load forecasting in the National Electricity General Plan (NEGP) is 79,920 MW (the difference of both is about 6.6%). Based on ANN approach is obtained results that the peak load forecasting in Indonesia in the year 2005, 2010, 2015, 2020 and 2025 are 16,516 MW, 24,482 MW, 36,157 MW, 56,060 MW and 85,584 MW respectively. Keywords: Peak load forecasting, Artificial neural network, Training and Economic factors.

kebutuhan energi listrik maksimum yang harus disediakan sampai pada periode tertentu. Namun untuk jangka panjang, baik meramal jumlah yang tepat kebutuhan tenaga maupun persiapan infrastruktur untuk suplai tenaga adalah cukup sulit, karena: sulitnya meramal permintaan beban puncak dengan tepat, beberapa data untuk

1. Pendahuluan Permintaan tenaga listrik di suatu negara secara kontinu akan mengalami kenaikan, sejalan dengan pembangunan dan kemajuan negara tersebut. Setiap negara atau perusahaan listrik, harus tahu secara tepat jumlah permintaan

211

A. H. Kuncoro dan R. Dalimi

meramal jangka panjang tidak tersedia, sulitnya menyimpan energi listrik saat ini, diperlukan waktu yang cukup lama dan dana yang besar untuk membangun pembangkit listrik baru dan fasilitas transmisi, dan seterusnya. Berdasarkan studi referensi, dapat disimpulkan bahwa beban listrik mempunyai banyak faktor yang kompleks, mempunyai karakteristik-karakteristik nonlinear, dan hasil ramalan yang cukup bagus bisa diperoleh dengan menggunakan metode-metode tradisional. Namun, Jaringan Syaraf Tiruan (JST) merupakan metode yang bagus serta cocok yang dapat menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi yang bervariasi dan faktor-faktor lainnya, serta dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi. JST, khususnya metode feed-forward dan feedbackward dari propagasi balik, dilaporkan para ahli mempunyai kemampuan meramal dengan baik[1]. Sejauh ini, kebanyakan JST telah diterapkan untuk ramalan beban jangkapendek, dari beberapa menit sampai 24 jam. Hanya beberapa peneliti yang menggunakan JST untuk meramal beban listrik jangka-menengah dan jangkapanjang[1]. Karena periode ramalan beban jangka-panjang berbeda dari satu negara dengan negara lainnya dan bahkan antara perusahaan satu dengan lainnya, maka membandingkan diantara mereka adalah sulit. Sebagaimana diketahui ramalan beban listrik jangka-pendek, kondisi cuaca sangat mempengaruhi beban puncak, namun untuk ramalan beban jangka-panjang, faktorfaktor ekonomi sangat memainkan peranan penting untuk beban listrik dimasa mendatang. Dalam makalah ini, dibahas mengenai faktor-faktor ekonomi yang berpengaruh terhadap ramalan beban jangka-panjang, masukan/keluaran, struktur jaringan, data pembelajaran, dan parameterparameter yang punya peranan penting dalam pembelajaran JST.

212

2. Jaringan Syaraf Tiruan (JST) JST atau Artificial Neural Network (ANN) adalah bagian dari sistem kecerdasan buatan (Artificial Intelligence, AI) yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan atau buatan dimaksudkan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. JST dimaksudkan untuk membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis. Model JST yang digunakan dalam penelitian untuk peramalan beban jangkapanjang ini adalah Propagasi Balik (Back Propagation, BP). 2.1. Struktur Jaringan Syaraf Tiruan Propagasi Balik Keunggulan yang utama dari sistem jaringan syaraf tiruan adalah kemampuan untuk “belajar” dari contoh yang diberikan. Algoritma pembelajaran yang digunakan adalah algoritma propagasi balik. Pada algoritma ini digunakan sinyal referensi dari luar (sebagai pengajar) dibandingkan dengan sinyal keluaran JST, hasilnya berupa sinyal kesalahan (error).

Input xi

wjk(q)

Output target tk zj(q)

Δwjk(q+1)=αδk(q)zj(q)

fk

yk(q)

Error δk(q)

Gambar 1. Blok diagram ilustrasi algoritma pembelajaran propagasi balik.

JURNAL TEKNOLOGI, Edisi No. 3. Tahun XIX, September 2005, 211-217

Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang

Keterangan: xi sinyal masukan pembelajaran. wjk bobot koneksi antara sel j ke sel k. zj sinyal keluaran unit tersembunyi. fk fungsi aktivasi. yk sinyal keluaran pembelajaran. tk sinyal keluaran target (referensi). δκ sinyal kesalahan (error). α konstanta laju pembelajaran. q iterasi ke-q. Dasar algoritma ini adalah memodifikasi bobot interkoneksi wjk pada jaringan sehingga sinyal kesalahan mendekati nol (lihat Gambar 1 dan 2).

Gunakan fungsi aktivasi untuk menghitung sinyal keluaran-nya: zj =f(z_inj)

(2)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit keluaran (Yk, k=1,2,3,…,m) menjumlahkan sinyalsinyal masukan terbobot: p

y _ in k = wok + ∑ z j w jk

(3)

j =1

gunakan fungsi aktivasi untuk menghitung sinyal keluaran-nya: yk =f(y_ink)

(4)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Propagasi Balik: Gambar 2. Ilustrasi arsitektur JST propagasi balik[2].

2.2. Algoritma Pelatihan Propagasi Balik

d. Tiap-tiap unit keluaran (Yk, k=1,2,3,…,m) menerima target referensi (berupa data target beban puncak, lihat Tabel 1 ), untuk dihitung informasi error-nya:

Algoritma pelatihan propagasi balik adalah sbb.[2,3], (lihat Gambar 1, 2 dan 3):

δ k = (t k − y k ) f ' ( y _ in k )

• •

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

Inisialisasi bobot. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE: 1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feed-forward: a. Tiap-tiap unit masukan (Xi, i=1,2,3,…,n) menerima sinyal masukan xi (berupa 10 parameter data masukan, lihat Tabel 1), dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan sinyalsinyal masukan terbobot: n

z _ in j = voj + ∑ xi vij i =1

Δw jk = αδ k z j

(5)

(6)

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai wok):

Δwok = αδ k

(7)

kirimkan δ k ini ke unit-unit yang ada di lapisan bawahnya. e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan delta masukan-nya (dari unit-unit yang berada pada lapisan atasnya): m

(1)

δ _ in j = ∑ δ k w jk

(8)

i =1


213


kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

δ j = δ _ in j f ' ( z _ in j )

(9)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):

Δvij = αδ j xi

(10)

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai voj):

Δvoj = αδ j f.

(11)

Tiap-tiap unit keluaran (Yk, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=1,2,3,…,p):

w jk (baru ) = w jk (lama) + Δw jk (12) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…,p) memperbaiki bias dan bobotnya (i=0,1,2,3,…,n):

vij (baru ) = vij (lama) + Δvij

(13)

2. Tes kondisi berhenti. 3. Faktor-Faktor Penting Yang Berpengaruh Dalam Ramalan Melalui suatu investigasi yang cermat dan teliti pada pemilihan parameter yang terkait dengan faktor-faktor ekonomi untuk ramalan beban jangka panjang, faktorfaktor di bawah ini diperkirakan sangat mempengaruhi ramalan beban tenaga listrik dimasa datang, yaitu (lihat Tabel 1 dan Gambar 3): 1. 2. 3. 4. 5. 6.

214

Produk Domestik Bruto (PDB)/Kapita. Jumlah Populasi. Jumlah Rumah Tangga (Household). Rasio Elektrifikasi. Jumlah Polusi CO2. Harga Minyak Mentah Rata-rata.

7. Harga Batubara Rata-rata. 8. Jumlah Pemakaian Energi Final. 9. Jumlah Kebutuhan Pemakaian Energi Final Sektor Industri. 10. Harga Listrik Rata-rata. 4. Simulasi Peramalan Dengan JST Simulasi peramalan beban dengan JST dilakukan dengan menggunakan program MATLAB7 melalui langkah-langkah sbb.: a. Menyusun Training Set Data (TSD). TSD disusun sebagaimana tersaji dalam Tabel 1 [4-7]. b. Membuat Jaringan (Network). Disain JST dibuat dengan 4 buah lapisan, dimana pada lapisan pertama, kedua, ketiga dan ke-empat masingmasing terdapat 10, 75, 5 dan 1 neuron (lihat Gambar 3). c. Melakukan Pembelajaran Jaringan. d. Melakukan simulasi peramalan beban menggunakan JST dengan masukan baru, dimana masukan baru tersebut merupakan data proyeksi dari 10 faktor penting yang berpengaruh dalam ramalan mulai tahun 2001 sampai dengan 2025, dari berbagai sumber data [4,5,7,8,9,10] . e. Diperolehnya hasil keluaran peramalan beban tenaga listrik tahun 2001-2025. Selama pembelajaran dalam simulasi, JST terus merubah nilai bobot (weight) sampai nilai error yang dihasilkan kurang atau sama dengan 10-6. Pada epoch ke 3278, JST telah melampaui target error, sebagaimana terlihat pada Gambar 4. 5. Hasil-Hasil Simulasi Hasil simulasi dari penelitian ramalan beban puncak jangka panjang yang dilakukan untuk tahun 2001-2025 dapat dilihat pada Tabel 2, Tabel 3 dan Gambar 5.



Tabel 1. Data masukan dan data target untuk pembelajaran program JST[4-7]. A

Satuan

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

DATA MASUKAN:

1

PDB per Kapita

100,000 Rp

14,6870

15,7769

16,6853

17,6545

18,7334

20,0074

21,3244

21,6800

18,5522

18,6931

19,5648

2

Populasi Penduduk

10 Juta

17,9248

18,1763

18,4278

18,6794

18,9309

19,1825

19,4340

19,9837

20,2873

20,3047

20,3256

3

Jumlah Rumah Tangga

Juta

39,6950

40,8150

41,8440

42,9130

44,0600

45,6530

47,1950

48,2810

49,3830

50,3430

51,5130

4

Rasio Elektrifikasi

%

25,3300

27,0400

28,6000

30,8300

37,2600

42,1900

46,9600

51,7600

51,1300

51,7500

52,0000

5

Jumlah Polusi CO2

10 Juta Ton

10,5700

11,5740

12,4590

12,9230

14,3420

15,3460

18,0530

18,3480

18,3010

19,5080

21,1390

6

Harga Minyak Mentah Rata2

US$/Barrel

22,3100

19,4700

18,7900

17,2500

15,8700

17,1100

20,1600

19,0400

12,4700

17,5200

28,3900

7

Harga Batubara Rata-rata

US$/Ton

38,9988

33,7036

32,2134

31,5415

34,5025

30,8564

23,6075

10,9860

13,4441

19,6514

16,3868

8

Pemakaian Energi Final

10 Juta SBM

22,7672

24,5318

26,9006

29,2752

30,4749

33,0488

35,6732

37,7240

36,9514

38,9717

42,1279

9

Pemakaian Energi Final Industri

10 Juta SBM

6,5295

7,2970

8,6691

9,6709

10,7596

12,0123

12,5674

12,6307

12,6873

13,5756

15,9286

10

Harga Listrik Rata-rata

cent US$/kWh

6,1667

6,2546

6,5562

6,8251

6,9968

7,0720

7,0881

2,9672

2,6042

3,0677

2,9527

B

DATA TARGET:

1

Beban Puncak (GWe) PLN

GWe

5,8981

6,1296

6,6392

7,4090

8,6587

9,8960

11,3270

12,8180

12,9070

14,3158

15,3200

Produk Domestik Bruto (PDB) per Kapita

Jumlah Populasi

Jumlah Rumah Tangga

Rasio Elektrifikasi

Jumlah Polusi CO2

PRAKIRAAN BEBAN TENAGA LISTRIK

Harga Minyak Mentah Rata-rata

Harga Batubara Rata-rata

Pemakaian Energi Final

Pemakaian Energi Sektor Industri

Harga Listrik rata-rata

Lapisan Input: 10 neuron

Lapisan Dalam-1: 75 neuron

Lapisan Dalam-2: 5 neuron

Lapisan Output:: 1 neuron

Gambar 3. Jaringan Syaraf Tiruan (JST) yang digunakan untuk ramalan beban jangka panjang.

Dalam tabel dan gambar tersebut juga disajikan Data Riil berdasarkan Statistik PLN tahun 2001-2003 dan hasil ramalan beban puncak dalam Rencana Umum Kelistrikan Nasional (RUKN) tahun 20052025 dari Direktorat Jenderal Listrik dan Pemanfaatan Energi, Departemen Energi dan Sumber Daya Mineral (DJLPEDESDM). Berdasarkan perhitungan ramalan beban puncak dengan metode JST diperoleh hasil bahwa prakiraan beban di Indonesia pada awal tahun studi (2001) sampai akhir tahun

studi (2025) akan mengalami kenaikan yang cukup besar yaitu dari 17.098 MW (pada tahun 2001), menjadi 85.584 MW (pada tahun 2025), (lihat Tabel 2). Dengan demikian, beban akan meningkat dengan laju kenaikan beban tahunan rata-rata sekitar 7,1% selama periode tahun studi 2001-2025. Berdasarkan RUKN, ramalan kebutuhan listrik secara nasional sampai akhir tahun studi (2025) diperkirakan tumbuh 6,8% per tahun. Konsumsi/ kebutuhan tenaga listrik pada tahun 2025


215


diharapkan mencapai 450 TWH. nasional dapat diproyeksikan menurut RUKN, beban diperkirakan pada tahun 2025 79.920 MW[11].

Secara bahwa puncak adalah

RAMALAN BEBAN PUNCAK INDONESIA (MW) 90000 80000 70000 60000 50000 40000 30000

Performance is 9.95554e-007, Goal is 1e-006

6

10

20000 10000

4

10

Data Riil

25 20

23

21 20

20

19

17 20

20

13

15 20

20

JST

10

T A H UN

RUKN

-2

10

Gambar 5. Ramalan perkiraan beban puncak di Indonesia tahun 2001-2025.

-4

10

-6

10

0

500

1000

1500 2000 3278 Epochs

2500

3000

Gambar 4. Grafik penurunan error JST sejak awal training sampai tercapainya target error.

Tabel 3. Laju kenaikan rata-rata beban tahunan dengan metode JST. Tahun

Tabel 2. Ramalan beban puncak di Indonesia (MW) Tahun

JST

Data Riil[7]

2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

17098 15365 13692 15226 16516 17854 19333 20890 22567 24482 26472 28580 30936 33443 36157 39557 43277 47228 51510 56060 61188 66714 72637 78884

16314 17160 17949

2025

85584

RUKN[11]

19942 21354 22902 24432 26375 28568 30540 32991 36489 38242 41309 44143 47403 50807 54397 58118 61481 65664 70115 74859 79920

Note: Beban puncak riil tahun 2000: 15320 MW.

216

11

09 20

0

20

07

05 20

20

03

01 20

20

Training-Blue Goal-Black

0 2

10

2001-2005 2006-2010 2011-2015 2016-2020 2021-2025

Kenaikan Tenaga (MW)

Laju kenaikan Tahunan Rata-rata

1196 7966 11675 19903 29523

2,1% 8,2% 8,1% 9,2% 8,8%

Sedangkan menurut proyeksi JST diperkirakan beban puncak pada tahun 2025 adalah 85.584 MW, dengan laju pertumbuhan tahunan rata-rata 7,1%. Dengan demikian terjadi perbedaan proyeksi beban puncak pada tahun 2025 antara JST dan RUKN sebesar 5.664 MW (perbedaannya sekitar 6,6%). 6. Kesimpulan Hasil ramalan beban puncak pada tahun 2025 dengan metode JST tidak berbeda jauh dengan ramalan dalam Rencana Umum Ketenagalistrkan Nasional (RUKN), yaitu masing-masing sebesar 85.584 MW dan 79.920 MW (perbedaannya sekitar 6,6%). Hasil proyeksi dari RUKN maupun JST cukup baik, karena secara umum, perusaahan listrik akan menerima kesalahan ramalan (error) sebesar 10% untuk ramalan beban jangka panjang[1].



Hasil simulasi JST untuk periode studi 2001-2025, memperlihatkan bahwa laju kenaikan beban tahunan rata-rata sekitar 7,1%. Ini merupakan suatu refleksi keadaan pertumbuhan ekonomi suatu negara yang baik dan stabil. Berdasarkan perhitungan ramalan dengan metode JST diperoleh hasil bahwa prakiraan beban tenaga listrik di Indonesia pada tahun 2005, 2010, 2015, 2020 dan 2025 adalah masing-masing 16.516 MW, 24.482 MW, 36.157 MW, 56.060 MW dan 85.584 MW.

3.

4.

5.

6.

Dari hasil simulasi JST dapat diketahui pula bahwa beban akan meningkat dengan laju kenaikan beban tahunan rata-rata sekitar 2,1% untuk periode tahun 20012005; 8,2% untuk periode 2006-2010; 8,1% untuk periode 2011-2015; 9,2% untuk periode 2016-2020; dan kemudian menjadi 8,8% untuk periode 2021-2025 (Table 3).

7.

Dengan mempertimbangkan hasil-hasil yang diperoleh dalam penelitian ini dan juga pertimbangan hasil-hasil dari penelitian para peneliti sebelumnya, kita mengharapkan untuk mendapatkan suatu ramalan perkiraan yang lebih baik dan lebih akurat untuk tahun-tahun mendatang.

9.

8.

Daftar Acuan 1.

2.

H. Iwamiya, and B. Kermanshahi, Long-term Load Forecasting using Neural Nets, Department of Electronics & Information Engineering, Tokyo University of Agriculture and Technology, Japan. S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu,Yogyakarta, 2003.

10.

11.

L.V. Fausett, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice-Hall, 1994. Anonim, Laporan Perekonomian Indonesia 2002, Biro Pusat Statistik (BPS), Jakarta, Indonesia, 2002. Anonim, Prakiraan Energi Indonesia 2010, Indonesia’s Energy Outlook 2010, Pusat Pusat Informasi Energi, Departemen Energi dan Sumber Daya Mineral (DESDM), EAPO, Jakarta, 2002. Anonim, Statistik PLN 1999/90 sampai dengan 1993/1994, Perusahaan Umum Listrik Negara Pusat, Dinas Informasi & Statistik PLN, Jakarta, 1990-1994. Anonim, Statistik PLN 1994 sampai dengan 2003, PT. PLN (Persero), Jakarta, 1995-2004. Anonim, Buku Pegangan Statistik Ekonomi Energi Indonesia 2002, Pusat Informasi Energi, Departemen Energi dan Sumber Daya Mineral (DESDM), EAPO, Jakarta, 2002. Anonim, Comprehensive Assessment of Different Energy Sources for Electricity Generation in Indonesia, Indonesia’s Team and International Atomic Energy Agency (IAEA), 2002. Anonim, Energy Prices, Annual Energy Outlook 2004 with Projections to 2025, source: http://www.eia.doe.gov/oiaf/aeo. Anonim, Rencana Umum Ketenagalistrikan Nasional, Departemen Energi dan Sumber Daya Mineral, Jakarta, 25 April 2005.


217

Peramalan Pembebanan menggunakan neural network

Recommend Documents